深度神经编程器通常是指用于深度神经网络开发的工具或库。以 MATLAB 的深度神经网络工具箱为例，其使用步骤如下：
导入数据
使用 MATLAB 的 `importdata` 函数或其他相关函数导入所需的数据集。
预处理数据
对数据进行清洗、归一化、分割等预处理操作，以便模型能够更好地学习。
可以使用 `preprocess` 函数或手动编写代码来完成这些操作。
创建深度学习模型
使用工具箱中的函数如 `feedforwardnet`、`resnet`、`lstm` 等创建所需的神经网络结构。
可以通过调整网络层数、神经元数量、激活函数等参数来优化模型性能。
训练模型
使用 `fit` 函数对模型进行训练，指定训练数据、验证数据、学习率、迭代次数等参数。
可以通过监控训练过程中的损失函数和准确率来调整模型参数。
评估模型
使用 `evaluate` 函数对测试数据进行预测，并计算模型的准确率、召回率等指标。
可以使用 `confusionmatrix` 函数查看混淆矩阵，进一步分析模型性能。
部署模型
将训练好的模型保存为 `.mat` 文件，以便在其他应用程序中加载和使用。
可以使用 `save` 函数保存模型，并在需要时通过 `load` 函数加载模型。
```matlab
% 导入数据
data = importdata（'path_to_dataset.csv'）；
X = data.feature；
y = data.label；
% 预处理数据
X = preprocess（X）； % 假设 preprocess 函数已经定义
% 创建深度学习模型
net = feedforwardnet（100, 'relu', 'relu', 'sigmoid', 'sigmoid'）；
% 训练模型
options = trainingOptions（'adam', 'MaxEpochs', 100, 'MiniBatchSize', 32, 'Shuffle', 1）；
net = train（net, X, y, options）；
% 评估模型
y_pred = predict（net, X）；
accuracy = sum（y == round（y_pred）） / length（y）；
fprintf（'Accuracy: %.2f%%\n', accuracy * 100）；
```
请注意，这只是一个简单的示例，实际应用中可能需要更复杂的数据预处理和模型调优步骤。建议参考 MATLAB 的官方文档和相关教程，以获得更详细的指导和最佳实践。